据调查,2013年以来,我国新能源汽车销量加速上升,本文通过对新能源汽车行业的深入调查发现,目前在新能源汽车领域,缺少对领域术语词库构建的研究工作。考虑到专利文本具有实用性和新颖性,是科技信息最有价值的载体之一,任何产业的革新势必体现在专利中。所以本文旨在以新能源汽车领域专利为数据源,进行新能源汽车领域术语抽取,从而建立一个基础的新能源汽车领域术语词库,为新能源汽车的后续研究奠定基础。目前,对特定领域术语抽取的方法主要是基于语言规则、统计方法及其组合的方式,而基于传统方法抽取新能源汽车领域术语主要存在以下问题,分词不准确导致后期文本挖掘噪声加大,文本表示维度过高导致计算复杂,对含有嵌套结构的词语发现能力不强等问题。针对以上问题,本文提出了基于深度学习的新能源汽车领域术语抽取模型。本文将新能源汽车领域术语抽取问题转化为序列标注问题,并提出了层叠条件随机场(Cascaded Conditional Random Fields,CCRF)领域术语抽取模型和BLSTM_Attention_CRF领域术语抽取模型,分别对新能源汽车专利文本进行领域术语抽取,本文主要创新点如下:(1)CCRF模型引入两层条件随机场(Conditional Random Fields,CRF),分别从字级别和词级别定义标注体系和特征模板,可以有效解决分词不准确的问题。(2)本文基于深度学习提出了BLSTM_Attention_CRF模型,模型采用Word Embedding模型对新能源汽车专利文本进行文本表示,降低数据表示维度,双向长短时记忆网络(Bi-directional Long-Short Term Memory,BLSTM)可以挖掘隐含特征,Attention机制可以得到含有输入序列节点注意力概率分布的语义编码,从而降低标注过程中的特征信息丢失和冗余概率,在模型的softmax层之后加入CRF模型,使得模型在结合上下文信息的同时可以有效的考虑输出标签前后的依赖关系,提高了抽取嵌套结构词的效率。(3)为进一步提高领域术语抽取的准确率,本文提出了基于词典与规则的校正模型,可以有效解决具有嵌套和复合结构的术语的准确性问题。实验表明,本文提出的基于深度学习的新能源汽车领域术语抽取模型能够解解决新能源汽车领域术语抽取问题,能有效改善含有嵌套结构的领域术语识别率。本文提出的领域术语抽取模型相对于其他模型可以取得更好的识别效果。